Algoritma Genetika

Algoritma Genetika
Oleh: Ahmad Riyad Firdaus
Politeknik Batam
Algoritma genetika merupakan metoda penyelesaian optimisasi yang terinspirasi oleh prinsip
genetika dan seleksi alam yang dikemukakan oleh Darwin (Teori Evolusi Darwin). Algoritma
ini banyak digunakan untuk memperoleh penyelesaian yang tepat dalam berbagai
permasalahan optimisasi. Algoritma genetik adalah algoritma pencarian yang berdasarkan
pada mekanisme sistem natural yaitu genetika dan seleksi alam. Dalam aplikasi algoritma
genetika, variabel solusi dikodekan ke dalam struktur string yang merepresentasikan barisan
gen, yang merupakan karakteristik dari solusi permasalahan.
Perbedaan dengan algoritma pelacakan konvensional[14], algoritma genetika berangkat dari
himpunan solusi yang dihasilkan secara acak. Himpunan ini disebut populasi. Sedangkan
setiap individu dalam populasi disebut kromosom yang merupakan representasi dari solusi.
Kromosom-kromosom tersebut akan berevolusi secara berkelanjutan yang disebut dengan
generasi. Dalam tiap generasi kromosom-kromosom tersebut dievaluasi tingkat keberhasilan
nilai solusinya terhadap masalah yang ingin diselesaikan (fungsi objektif) menggunakan
ukuran yang disebut dengan kepantasan (fitness). Untuk memilih kromosom yang tetap
dipertahankan untuk generasi selanjutnya dilakukan proses yang disebut dengan seleksi.
Proses seleksi kromosom menggunakan konsep aturan evolusi Darwin yang telah disebutkan
sebelumnya yaitu kromosom yang mempunyai nilai kepantasan tinggi akan memiliki peluang
lebih besar untuk terpilih lagi pada generasi selanjutnya.
Kromosom-kromosom baru yang disebut dengan offspring, dibentuk dengan cara melakukan
perkawinan antar kromosom-kromosom dalam satu generasi yang disebut sebagai proses
pindah silang. Jumlah kromosom dalam populasi yang mengalami pindah silang ditetukan
oleh paramater yang disebut dengan laju pindah silang. Mekanisme perubahan susunan unsur
penyusun mahkluk hidup akibat adanya faktor alam yang disebut dengan mutasi
direpresentasikan sebagai proses berubahnya satu atau lebih nilai gen dalam kromosom
dengan suatu nilai acak. Jumlah gen dalam populasi yang mengalami mutasi ditentukan oleh
parameter yang dinamakan laju mutasi. Setelah beberapa generasi akan dihasilkan
kromosom-kromosom yang nilai gen-gennya konvergen ke suatu nilai tertentu. Nilai tersebut
1|Page
merupakan solusi terbaik yang dihasilkan oleh algoritma genetika terhadap permasalahan
yang ingin diselesaikan.
Struktur umum dari algoritma genetika dapat didefinisikan dengan langkah-langkah sebagai
berikut:
1. membangkitkan populasi awal,
Populasi awal ini dibangkitkan secara random sehingga diperoleh solusi awal. Populasi itu
sendiri terdiri dari sejumlah kromosom yang merepresentasikan solusi yang diinginkan.
2. evaluasi solusi,
Proses ini akan mengevaluasi setiap populasi dengan menghitung nilai kepantasan setiap
kromosom hingga kriteria berhenti terpenuhi. Bila kriteria berhenti belum terpenuhi, maka
akan dibentuk lagi generasi baru. Beberapa kriteria berhenti yang umum digunakan adalah:
•
berhenti pada generasi tertentu,
•
berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness
tertinggi/terendah (tergantung persoalan) tidak berubah,
•
berhenti bila dalam n generasi berikutnya tidak diperoleh nilai fitness yang lebih
tinggi/rendah.
Generasi yang memiliki nilai kepantasan terbaik diharapkan merupakan solusi optimal yang
diinginkan.
3. membentuk generasi baru.
Dalam membentuk generasi baru digunakan tiga operator yang telah disebut di atas yaitu
operator reproduksi/seleksi, pindah silang dan mutasi. Proses ini dilakukan secara berulang
sehingga diperoleh jumlah kromosom yang cukup untuk membentuk generasi baru. Generasi
baru ini merupakan representasi dari solusi baru.
•
Seleksi
Roulette wheel merupakan salah satu metoda seleksi yang banyak dipergunakan. Roulette
wheel menyeleksi populasi baru dengan distribusi probabilitas yang berdasarkan nilai
kepantasan. Proses seleksi dilakukan dengan cara membuat kromosom yang mempunyai
fungsi objektif terkecil/terbesar mempunyai kemungkinan terpilih yang besar atau
mempunyai nilai probabilitas yang tinggi.
2|Page
•
Pindah silang
Setelah proses seleksi maka proses selanjutnya adalah proses pindah silang. Pindah silang
merupakan proses membangkitkan offspring baru dengan mengganti sebagian informasi
dari parents (Orang tua/induk). Metoda yang digunakan salah satunya adalah one-cut
point, yaitu memilih secara acak satu posisi dalam kromosom induk kemudian saling
menukar gen. Kromosom yang dijadikan induk dipilih secara acak dan jumlah kromosom
yang mengalami pindah silang dipengaruhi oleh parameter laju pindah silang
(crossover_rate/ρc). Pseudo-code untuk proses pindah silang adalah sebagai berikut:
begin
k← 0;
while(k<populasi) do
R[k] ← random(0-1);
if (R[k] < ρc ) then
select kromosom[k] as parent;
end;
k = k + 1;
end;
end;
Metoda one-cut point ini analog dengan implementasi biner. Algoritmanya adalah:
o memilih site secara random dari parent pertama,
o isi disebelah kanan site pada parent pertama ditukar dengan parent kedua untuk
menghasilkan offspring (Gen dan Cheng, 1997).
Parent 1
Parent 2
Offspring 1
Offspring 2
0
1
0
1
0
0
0
0
1
1
1
1
1
0
0
1
0
0
0
0
0
1
1
0
1
0
0
1
1
1
1
1
Gambar II.2 Illustrasi one-cut-point crossover.
•
Mutasi
Mutasi menciptakan individu baru dengan melakukan modifikasi satu atau lebih gen dalam
individu yang sama. Mutasi berfungsi untuk menggantikan gen yang hilang dari populasi
selama proses seleksi serta menyediakan gen yang tidak ada dalam populasi awal. Sehingga
mutasi akan meningkatkan variasi populasi Jumlah kromosom yang mengalami mutasi dalam
satu populasi ditentukan oleh parameter laju mutasi. Proses mutasi dilakukan dengan cara
3|Page
mengganti satu gen yang terpilih secara acak dengan suatu nilai baru yang didapat secara
acak.
4|Page